由于傳統的組織管理理論對數字化轉型這個跨組織命題已不適應，本文從組織經濟學層面對工業場景下大數據的價值化做了結構化解讀，分析了制造業場景下數據的價值化實現路徑，指出了工業大數據的根本價值性作用在于被產業生態價值鏈各環節利用時產生的邊際效應，形成可持續、可計量的價值增益等經濟價值。認為制造業場景下的大數據更應視為經濟活動中的賦能性價值化要素，而非獨立的經濟要素。并給出了大數據的價值化框架與實現方法。

以前的研究顯示，數字技術在企業中發生作用，主要是通過IT技術讓數據以近乎實時的速度同步、傳輸給業務需要的人員或團隊，來提高各相關作業的協同度。但數據到底是如何從微觀經濟結構上提高效率、創造價值的，一直缺少從價值方面的系統化、結構性的解讀。為描述確切，本文中關于工業數據的討論是基于離散制造業及產業鏈中的相關業務場景。

1

對工業大數據的確切理解

對工業大數據的定義

大數據的概念，目前網上有一個提法是2008年8月由維克托·邁爾·舍恩伯格和肯尼斯·庫克耶在編寫《大數據時代》中提出，另一個說法是美國辛辛那提大學(Univ. of Cincinnati) 講座教授李杰首先提出并命名的。這個概念自提出到現在，一直被不斷地研究、探索和描述，但由于涉及應用領域廣泛、內涵豐富，迄今并未有統一定義的概念：

1. 工信部的定義：工業大數據是工業領域產品和服務全生命周期數據的總稱，包括工業企業在研發設計、生產制造、經營管理、運維服務等環節中生成和使用的數據，以及工業互聯網平臺中的數據等。這個描述主要是從數據在工業環境下產生、應用的過程性定義。
3. 中國電子技術標準化研究院的定義：工業大數據是指在工業領域中，圍繞典型智能制造模式，從客戶需求到銷售、訂單、計劃、研發、設計、工藝、制造、采購、供應、庫存、發貨和交付、售后服務、運維、報廢或回收再制造等整個產品全生命周期各環節所產生的各類數據及相關技術和應用的總稱。
5. 李杰教授的定義：工業大數據就是一個可以通過它來了解工業系統本身，從而進行改進的信息流，它具有更強的專業性、關聯性、流程性、時序性和解析性等特點，這些特點導致傳統的互聯網大數據處理手段是無法滿足的。并用“荷包蛋理論”來解釋工業大數據與產品和服務間的關系。

綜合與解讀

綜上所述，狹義上講，工業大數據是指在工業領域中生產與服務的全環節產生、處理、傳遞、使用的各類海量數據的集合；廣義上，工業大數據是包括以上數據及與之相關的全部技術和應用的總稱，涵蓋“數據”和“技術與應用”的內涵。綜合專家和專業機構的描述，共通之處為：

1. 覆蓋工業產品生產與服務的全生命周期過程；
2. 強調對數據和信息進行處理的重要性。

我們理解的工業大數據也要分成“工業”和“大數據”兩個維度來看：“工業”是需求與實踐的背景，“大數據”是技術手段與價值載體。

但以上解釋總體上過于技術化角度來看待大數據的產生和應用，而沒有考慮到數據在生產活動過程中的經濟屬性，或者價值屬性。企業是個營利性組織，企業的技術是為經濟目的服務的，因而數據的價值屬性或經濟屬性應該是工業場景下最重要的話題。

2

對工業大數據的經濟屬性分析

從經濟性上具有價值和產權的雙重屬性

基于上面的綜評，從經濟學角度看，工業大數據具備雙重屬性--價值屬性和資產屬性：

1. 工業大數據能夠為企業創造可量化的價值。通過工業大數據分析等關鍵技術可幫助企業實現設計、工藝、生產、管理、服務等各個環節智能化水平的提升，滿足用戶定制化需求，提高生產效率并降低生產成本，為企業創造可量化的價值；
3. 由于工業大數據可以賦能組織改善和價值創造，作為營利性組織的企業，需要有能力、有意愿決定數據的具體使用方式和邊界，為自己創造價值。在數字化背景下的經濟環境里，工業數據具有一般意義上的資產屬性。

工業大數據的價值屬性是指基于當下日益成熟的工業大數據技術，對工業活動中研發、生產、營銷、運維&服務過程中的數據價值的提取與變現。產權屬性則偏重于通過社會制度安排和管理機制與方法來幫助工業企業明晰數據資產與數據資源的分布，確定所有權邊界，為其價值的深入挖掘提供評估與變現的技術支撐。本文主要探討工業場景下大數據的價值化問題。

制造業場景中，大數據只有進入價值創造過程才能產生價值

制造業大數據，主要是指圍繞產品生產的全生命周期的制造與服務業務場景，從客戶需求到銷售、訂單、計劃、研發、設計、工藝、制造、采購、供應、庫存、發貨和交付、售后服務、運維、報廢或回收再制造等各個環節所產生的各類數據的統稱。其以產品定義與實現過程的數字化描述為核心，極大延展了傳統工業數據范圍。更具體的認知可分為：

• 企業外部的社會化網絡數據：企業的各類外部宣傳、商務推廣網站上的線上數據，關于企業的各類分析和新聞報道等等，就是通常所說的社會化大數據；
• 企業內部運營數據：管理系統上的結構化數據，智能設備上傳的使用實時狀態和歷史數據，以及維修保養的過程記錄和技術性反饋等；
• 非結構化數據：企業內外部業務運行過程中形成的各種音視頻、數字模型、圖片和文字等各種類型的描述性數據，通常稱之為非結構化數據。

結合以上分析，可以看到制造業的大數據與互聯網大數據之間存在很大的差異：

表1 工業大數據與互聯網大數據之間的差異

從企業角度看，最根本的還是圍繞產品設計與制造過程、運營管理，以及與供應商、客戶群、合作伙伴等構成的產業生態中的往來數據。這部分數據是真正與企業的價值鏈緊密相關的，是實打實地能進入價值創造過程、產生實際價值的數據。

3

工業場景下大數據的價值化過程

工業大數據離不開其采集和應用的場景

現在通常所謂的大數據，往往只是籠統的概括性描述，缺少對其采集、加工和應用場景的具體的說明性、約束性的描述。現實中制造業背景下的數據一旦離開了所在業務場景的背書，就像錢幣只有數字那面一樣—失去了背書的票面數字無法確定價值。

工業大數據的根本的價值性作用在于被產業生態價值鏈各環節利用時產生的邊際效應，形成可持續、可計量的價值增益等經濟價值。企業通過持續的數字化經營過程讓數據與業務流程融合，讓數據賦能價值創造過程，完成數據的價值化變現：

表2 制造業場景下大數據的價值化框架

大數據價值是業務場景的流動中體現出來的

由于工業領域的高度專業性、分工化的特點，不同的業務場景中的數據，其價值性體現往往僅限于產品價值形成過程中的片段場景。只有與產品定義和實現的過程、場景緊密相關的那些數據，才具有進入價值創造過程、產生實際價值的可能性。

工業大數據的采集和應用的場景就是產品全生命周期內生產與服務各相關環節構成的，來自于這個過程，更是服務于這個過程。制造業場景中的數據呈現兩種特征：

1. 工業場景的大數據采集都是有特定的價值導向和經濟化運營管理目的的
3. 價值鏈的每一個環節上，還會繼續采集、產生新的數據，這些數據與既有的數據也會不斷被引用、加工和處理，從而不斷整合、衍生更多的數據。

從價值鏈整體看，工業場景下數據的流動就是被不斷復制、存儲、加工、豐富的過程，同時伴隨著產品的價值和成本的變化，這也就是數據價值化的過程。而產品價值的產生主要體現在人通過生產系統對物料進行加工并賦予使用性能的過程，此過程中的數據記錄可以幫助生產過程變得更加有效并可在后續活動中持續改善，從而呈現出作為生產要素的價值化賦能性角色。

工業大數據是價值創造過程的關鍵賦能要素

雖然2023年8月，財政部發布了《企業數據資源相關會計處理暫行規定》，為數據的資產化提供了依據。但由于工業場景里的數據都有可無限復制的特點，且在應用過程中會產生更多的數據（受測量目的、采集手段和標準等因素影響），這導致一個問題：脫離了業務場景關聯的單純的工業大數據，其價值難以計量。

客觀地說，工業大數據要產生價值，必須通過在工廠場景促使各個環節中改善質量、提升效率、降低成本、提高使用體驗等方式不斷降低交易費用、產生潛在價值。也就是說，大數據只有在創造價值的特定活動場景中才能體現出可計量的價值，才算實現了價值化。因此，它更應被看作一種賦能性的價值化要素，而不是一個獨立的經濟要素。

數據在制造業場景的流動中呈現出交易費用的邊際效應

在制造業活動的現實場景中，數據的價值是在價值鏈各環節中不斷循環、流動，被不斷應用、加工：數據雖然可以被無數次使用、加工和豐富，但成本并不增加，呈現邊際成本遞減的傾向；同時，隨著數據被不斷應用和加工，其價值卻呈現出不斷增加的傾向。數據在發生這種作用的同時，是與交易費用降低的現象同時發生的。這個現象叫做數字化環境下交易費用的邊際效應。

圖3 工業制造場景下在價值鏈各環節中循環流動的數據

從流動性的角度來觀察和衡量更貼近現實，不能把思維停留在大數據本身，而須把數據與其產生、應用和增值的業務場景相關聯，在制造場景下靜態的數據無法體現出價值。

4

工業大數據如何實現價值化

工業場景下的大數據產生價值的思路和模式需要合適的實現手段，才能產生真正的社會性價值。因此，需要在當下的數字化技術和社會環境下，找到明確而易于結構化實現的價值化路徑和手段。在影響工業大數據的價值化的三方面因素如下：

工業大數據的處理與知識發現

相較于傳統大數據分析而言，工業大數據分析工作的側重點明顯不同。由于數據的采集、加工和應用在形式上的技術屬性很強，往往需要專業的處理技術。李杰教授就在《工業大數據》一書中提出工業大數據應用的“3B”挑戰：Broken(碎片化)、Bad Quality（數據質量差）、Background（需大量數據預處理）。

1) 工業大數據的預處理

在大數據分析建模前都需要進行數據預處理，將其整理成適合建立機器學習模型的可靠數據。常見的數據預處理方法包括工況分割、數據清洗、數據質量檢測、數據歸一化、數據樣本平衡、數據分割等。在數據預處理工作上花費的時間通常在80%以上。

2) 工業大數據分析與知識發現

企業開展數據分析的根本目的是創造價值，而工業數據分析的基本任務和直接目標是發現與完善知識，這兩個不同層次的問題需要一個轉化過程進行關聯。為了提高工作效率和質量，需要根據使用環境中的分析和決策要求來設計求解過程。

知識發現是個探索的過程，并不能保證每次探索都能成功。針對現實場景中各種可能的方案，解決問題的辦法并非探索每一條方案或途徑，盡量挑選成功概率大、工作量相對較小、價值大成本低的路徑作為切入點，減少探索成本。

工業大數據分析的主要類型

根據業務目標的不同，數據分析可以分成四種類型：

1. 描述型分析：主要是回答“發生了什么”、以及“是什么”的知識。
2. 診斷型分析：用于解答“為什么會這樣？”的問題。
3. 預測型分析：用于推測“將要發生什么？”。
4. 處方型（指導型）分析：用于解決“怎么辦”的問題。

針對業務目標不同，所需條件、對數據分析的要求和難度差異很大，四種問題從難度上遞增。每種方法所采用的變量也會有較大差異，而知識的發現更加依賴對實際業務問題的理解深度。業務價值模型需要對數據的精確解讀與業務需求、價值創造的綜合考慮。

人的價值創造思維是工業大數據價值化的決定性因素

工業大數據本質上是對業務過程和執行狀態的采樣性描述，雖然實現了量化，但也漏掉了描述目標的大量真實信息。數字化客觀上也割斷了事物內部很多的內在聯系，當需要從這些數據中尋找價值機會的時候，就需要人類用自己的思維、知識性體驗來重塑、彌補數字背后的這些失真和遺漏，這要借助于基于業務價值的模型化分析。針對不同細分領域和應用場景，采用合適的方法論，結合數據分析和知識發現工具來解決業務問題。這個過程不易結構化和數字化，需要借助領域專家的綜合能力。

在工業場景下，價值本身也是設計的產物，很難想象單純的數據處理就可以創造價值。只有把以上這三個方面有機結合起來才能完整地解讀、發現工業大數據的價值。